对比增强深度强化学习故障诊断框架

类别不平衡下自适应

通过两阶段训练，在类别不平衡条件下无需先验知识即可平衡不同故障模式的关注度，提升故障诊断性能。

Qin, Zhao · Ding, Yu · Lü, Chen · Wang, Chao · Ma, Liang · 陶来发 · Ma, Jian

Expert Systems with Applications 2023

技术优势

无需先验知识

自适应奖励函数随样本标签分布更新，无需人工设定类别权重或采样策略。

类间距更明显

对比损失在预训练阶段减小类内距离、增大类间距离，使特征更可分。

应用场景

• 旋转机械故障诊断：直接用在不平衡故障数据上训练诊断模型，无需额外采样或加权。
• 工业设备智能维护：在不平衡数据下学习稳健特征，支撑设备健康状态识别。
• 预测性维护：提升小样本故障模式的诊断准确率，利于早期干预。